Проверка реальностью для agentic AI: как подготовить бизнес к кремниевой рабочей силе

Шум вокруг agentic AI стоит знатный. Обещаний — море: автономные действия, умные решения, почти «цифровые сотрудники», которые сами разбираются с задачами. Но на практике всё куда прозаичнее. Многие компании упираются в одну и ту же проблему: они пытаются натянуть AI-агентов на старые процессы, придуманные для людей, а потом удивляются, почему магии не случилось.

Вот в чём загвоздка. Настоящая ценность появляется не тогда, когда поверх устаревшего workflow прикручивают модный слой автоматизации, а когда саму операционную модель пересобирают заново — под агентов, под автономные сценарии, под новую логику исполнения. Это уже разговор не только про разработку AI-агентов и автоматизацию, но и про архитектуру, контроль, безопасность и управляемость всей системы.

И да, меняется не только технология. Меняется само представление о работе. По мере того как организации начинают использовать AI-агентов всерьёз, «работник» всё чаще означает не только человека. Возникает то, что можно назвать кремниевой рабочей силой: цифровые исполнители, которые дополняют людей, разгружают их и местами берут на себя целые фрагменты процессов. Если фундамент выстроен грамотно — от сервисной архитектуры до правил надзора, — бизнес получает не игрушку, а реальный рычаг роста.

Генри Форд когда-то заметил: многие заняты поиском лучших способов делать то, чего вообще не стоило бы делать. Жёстко, но по делу. И, честно говоря, к корпоративному AI это подходит почти пугающе точно.

Проверка реальностью для AI-агентов

Agentic AI быстро стал одной из самых обсуждаемых тем в корпоративных технологиях. Причина понятна: компании видят в нём шанс перейти от простых сценариев автоматизации к системам, которые способны понимать контекст, принимать решения и выполнять действия почти без постоянного участия человека.

Прогнозы подливают масла в огонь. Gartner ожидает, что к 2028 году около 15% повседневных рабочих решений будут приниматься автономно с помощью agentic AI, тогда как в 2024 году этот показатель фактически был нулевым. Параллельно примерно треть корпоративных программных продуктов, по оценке аналитиков, будет включать agentic-функции — против менее 1% сегодня.

Звучит впечатляюще. Но есть нюанс — и он большой.

Между пилотом и промышленным внедрением лежит целая полоса препятствий. По данным Deloitte Emerging Technology Trends 2025, около 30% организаций только изучают сценарии применения agentic AI, 38% уже пилотируют решения, но лишь 14% довели их до состояния, близкого к промышленной готовности. А реально используют такие системы в production всего 11% компаний. При этом 42% всё ещё формируют дорожную карту стратегии, а у 35% формальной стратегии нет вообще.

Почему ожидания от agentic AI не совпадают с реальностью

Если отбросить маркетинговый блеск, картина довольно земная. Компании чаще всего тормозят три вещи.

1. Интеграция с legacy-системами. Большинство корпоративных платформ изначально не проектировались для взаимодействия с автономными агентами. AI-агенты вынуждены пробираться к данным и функциям через API, старые интеграционные шины и тяжёлые пайплайны. Это создаёт задержки, узкие места и банально режет автономность. По прогнозу Gartner, свыше 40% проектов agentic AI могут провалиться к 2027 году именно потому, что старые системы не выдержат требований к исполнению в реальном времени, модульности и безопасной идентификации.

2. Ограничения архитектуры данных. Традиционная модель с ETL-процессами и хранилищами данных плохо подходит для среды, где агенту нужно не просто получить запись из таблицы, а понять контекст, связать факты и принять решение. Почти половина организаций в исследовании Deloitte назвала проблемами поиск по данным и повторное использование данных в AI-инициативах. И это, если по-честному, неудивительно.

Потому что агенту мало «доступа к данным». Ему нужна осмысленная, обнаруживаемая, контекстно связанная информация. Отсюда и растущий интерес к агентной памяти и RAG, knowledge graph-подходам, индексированию корпоративного контента и поисковым слоям поверх разрозненных источников. Иначе агент вроде бы есть, а думать ему, по сути, не на чем.

3. Governance, контроль и соответствие требованиям. Традиционные модели IT-управления плохо подходят для систем, которые не просто исполняют команды, а сами принимают решения. Тут уже недостаточно обычного контроля доступа или регламентов эксплуатации. Нужны новые механизмы надзора, журналирования, разграничения полномочий, проверки действий агента и управления рисками. Особенно если речь идёт о чувствительных данных, регуляторных ограничениях и корпоративной ответственности. Поэтому вопросы безопасности AI-агентов и AI compliance и соответствия требованиям перестают быть «дополнением» — они становятся частью базовой архитектуры.

Есть и ещё одна неприятная штука: так называемый agent washing. Это когда обычную автоматизацию, чат-бота или скриптовый оркестратор внезапно начинают называть «агентом» — просто потому, что слово модное. В итоге компании покупают не новую модель работы, а старые инструменты в свежей упаковке. ROI от этого, мягко говоря, не взлетает.

Иногда выходит даже хуже. Плохо спроектированные agentic-системы не сокращают работу, а добавляют её: нужно перепроверять выводы, чинить сбои, разруливать нестыковки между агентами и людьми. Такой себе прогресс, если честно.

Архитектура автономных операций

Компании, которые добиваются реальных результатов, смотрят на agentic AI не как на набор отдельных ботов, а как на новую операционную среду. Это уже не история про «давайте поставим одного агента в поддержку и посмотрим». Это история про то, как выстроить систему, в которой агенты встроены в процессы, взаимодействуют между собой, получают доступ к нужному контексту и работают под контролем.

Именно поэтому на первый план выходит архитектура AI-агентов: как организованы роли, память, оркестрация, доступ к инструментам, маршрутизация задач, аудит действий и взаимодействие с корпоративными системами. Без этого всё быстро превращается в хаос. Красивый, дорогой, местами даже впечатляющий — но хаос.

Перепроектирование процессов как agent-native

Самый заметный сдвиг у лидеров рынка происходит не в моделях, а в мышлении. Они не накладывают агентов на существующие процессы как пластырь на старую трубу. Они пересматривают сами процессы — от начала до конца.

Это важный момент. Большинство бизнес-процессов десятилетиями строились вокруг человеческих ограничений: рабочий день, передача задач между отделами, ручные проверки, очереди согласований, паузы, ожидания, пересылка файлов, ну и всё вот это. AI-агенты работают иначе. Им не нужен сон, отпуск или кофе-брейк. Они могут параллельно обрабатывать множество задач, координироваться друг с другом и действовать непрерывно. Следовательно, и процесс под них должен быть устроен иначе.

Brent Collins, руководитель глобальных SI-альянсов и бывший вице-президент по AI-стратегии Intel, формулирует это очень точно: сейчас идеальный момент для value stream mapping — чтобы понять, как workflow должны работать, а не как они работают сегодня. Не стоит просто «асфальтировать протоптанную тропу». Лучше использовать эволюцию AI, чтобы заново продумать, как агенты могут поддерживать и оптимизировать операции бизнеса.

Коротко? Не автоматизируйте бардак. Сначала разберите его по косточкам.

Именно такой подход, например, использовала HPE. Компания выбрала не локальную болевую точку, а сквозной процесс, который можно было действительно трансформировать. Их цель состояла не в том, чтобы ускорить один шаг, а в том, чтобы изменить сам способ выполнения работы.

Команда под руководством финансового директора Marie Myers создала AI-агента Alfred для внутренних обзоров операционной эффективности. Сам процесс таких обзоров трудоёмкий, насыщенный данными и хорошо подходит для агентной автоматизации. Система включает agentic-интерфейс и четыре базовых агента, которые разбивают запросы на части, анализируют SQL-данные, строят графики и диаграммы, а затем превращают выводы модели в структурированные отчёты для пользователя. Источником служит корпоративное хранилище данных, связанное с ERP- и CRM-системами.

Что здесь важно? Не сам факт наличия агента. Важно то, что агент встроен в переосмысленный процесс и работает как часть целостной операционной конструкции. Не сбоку. Не поверх. Внутри.

Myers отмечает, что кейс изначально выбирали так, чтобы его можно было масштабировать на разные функции и отрасли. И это, пожалуй, один из самых практичных уроков: хороший сценарий для agentic AI — это не эффектная демо-игрушка, а воспроизводимая модель изменений.

От отдельных агентов — к мультиагентным системам

По мере роста сложности задач один агент быстро упирается в потолок. Где-то нужен сбор данных, где-то — анализ, где-то — принятие решения, где-то — контроль и эскалация. Поэтому всё больше компаний движутся в сторону мультиагентных систем, где разные агенты выполняют специализированные роли и координируются через оркестрацию.

Это похоже на рабочую команду. Один отвечает за поиск, другой — за интерпретацию, третий — за действия в системе, четвёртый — за контроль качества. Только команда цифровая — и, если архитектура сделана с умом, работает очень быстро.

Но тут есть подвох. Чем больше агентов, тем выше требования к управлению: кто за что отвечает, кто имеет право инициировать действие, как предотвращаются конфликты, как хранится контекст, как отслеживаются ошибки. В теории всё красиво. На практике — ой, не всегда. Поэтому без продуманной оркестрации и правил взаимодействия мультиагентная среда может стать источником новых рисков, а не преимуществ.

Что нужно бизнесу, чтобы agentic AI заработал по-настоящему

Если собрать всё воедино, становится ясно: успешная стратегия agentic AI строится не вокруг модели как таковой. Она строится вокруг пяти опор.

• Перепроектирование процессов. Сначала меняется логика работы, потом в неё встраиваются агенты.
• Архитектура AI-агентов. Нужны роли, оркестрация, доступ к инструментам, память, аудит и отказоустойчивость.
• Подготовка данных. Агентам требуется контекстно связанная, доступная и пригодная для поиска информация.
• Безопасность и контроль. Автономность без ограничителей — идея, мягко говоря, опасная.
• Соответствие требованиям. Чем серьёзнее сценарий, тем важнее регуляторика, прозрачность и управляемость решений.

Иначе говоря, agentic AI — это не просто следующий этап автоматизации. Это смена операционной модели. Для кого-то постепенная. Для кого-то довольно болезненная. Но игнорировать её уже не получится.

Компании, которые начнут сейчас — спокойно, без истерики, но системно, — получат фору. Остальные рискуют застрять в бесконечной череде пилотов, презентаций и разговоров о «потенциале». Потенциал, конечно, важен. Но бизнес, как обычно, любит не потенциал, а результат.